机器学习中的模型选择、生产管道与降维技术
1. 信用卡欺诈检测模型选择与生产管道
在信用卡欺诈检测任务中，我们对集成模型进行了评估。从精确率 - 召回率曲线、平均精确率和 auROC 曲线来看，集成模型并没有带来性能上的提升。因此，我们选择了独立的 LightGBM 梯度提升模型用于生产，因为它更为简单。
在为新交易创建处理管道之前，我们先对 LightGBM 模型在测试集上区分欺诈交易和正常交易的能力进行了可视化。从预测概率图来看，该模型能较好地为实际欺诈交易赋予高欺诈概率，为正常交易赋予低欺诈概率，但偶尔也会出现误判。
接下来我们设计了一个简单的生产管道，用于处理新的交易数据，具体步骤如下：
1.加载数据：将新数据导入到名为newData的数据框中。
2.特征缩放：对特定特征进行缩放处理。
# first, import new data into a dataframe called 'newData' # second, scale data # newData.loc[:,featuresToScale] = sX.transform(newData[featuresToScale])- 生成预测：使用已经训练好的 LightGBM 模型进行预测。
#
